Smartphone Monitoring of Participants’ Engagement With Home Practice During Mindfulness-Based Stress Reduction: Observational Study
Notice bibliographique
Résumé
BACKGROUND: Standardized mindfulness training courses involve significant at-home assignments of meditation practice. Participants' self-reported completion of these assignments has been correlated with treatment outcomes, but self-reported data are often incomplete and potentially biased. In addition, mindfulness teachers typically suggest that participants set aside a regular practice time, preferably in the morning, but the extent to which participants do this has not been empirically examined. OBJECTIVE: This study aimed to analyze patterns of participant engagement with home practice in a mindfulness-based stress reduction course. METHODS: We used a novel smartphone app to provide 25 participants with access to their daily practice assignments during the 8-week course. We analyzed data collected through our smartphone app to determine usage and listening patterns and performed analyses of the regularity and frequency of participant behavior. RESULTS: We found that participants listened to a median of 3 of the 6 practice sessions per week, and they did not typically set aside a regular daily practice time. Across weekdays, participants practiced most frequently in the morning, but there was considerable variation in participants' practice start times. On weekends, the peak practice time was in the evening. CONCLUSIONS: We suggest that it is feasible to integrate a smartphone-monitoring approach into existing mindfulness interventions. High-frequency smartphone monitoring can provide insights into how and when participants complete their homework, information that is important in supporting treatment engagement.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».